时滞惯性神经网络的动力学分析与控制方法

近年来，时滞神经网络在图像处理、模式识别、联想记忆、信号处理、全局优化和保密通信等领域得到广泛的应用，惯性项的添加不仅可以使得神经网络算法收敛速度加快，而且会带来更丰富的动力学行为。本书主要对不同情况下的时滞惯性神经网络，从两个方面即自治系统以及非自治系统下平衡点的全局稳定性以及自治系统周期解的局部稳定性、Hopf分岔、共振余维二分岔、混沌和如何增加脉冲控制器保证系统的稳定性的方法进行了一系列的阐述。